在进行特征工程、划分数据集的工作中，drop()函数都能派上用场。它可以轻松剔除数据、操作列和操作行等。

drop()详细的语法如下：

删除行是index，删除列是columns：

DataFrame.drop(labels=None, axis=0, index=None, columns=None, inplace=False)

参数：

labels：要删除的行或列的标签，可以是单个标签，也可以是标签列表。

axis：要删除的行或列的轴，0表示行，1表示列。

index：要删除的行的索引，可以是单个索引，也可以是索引列表。

columns：要删除的列的列名，可以是单个列名，也可以是列名列表。

inplace：是否在原DataFrame上进行操作，默认为False，即不在原DataFrame上进行操作。

删除列

使用场景1：删除不需要的特征。

例如：有些特征对结果的影响不大，就可以把与因变量不相关的自变量删掉；为了避免多重共线性，要把有强相关关系的自变量删掉。

df = data.drop(data[['RowNumber','CustomerId','Surname']],axis=1)
df

代码讲解：

data是数据集，两个中括号代表DataFrame格式，里面筛选了3个要删除的字段；

axis=1代表操作列；

运行结果：

使用场景2：把因变量删掉

# 自变量、因变量
x_data = df.drop(['Exited'],axis=1)
y_data = df['Exited']
x_data

代码讲解：

drop()函数里面填写要删除的字段，表示从df中删除名为“Exited”的列；

['Exited']这一个字段是我们要剔除的因变量，单个字段可以这样表示；

运行结果：

删除行

使用场景3：在划分数据集的时候，生成了训练集，把被分到训练集的样本剔除掉，剩下的就是测试集了。

#划分训练集
train_data = data.sample(frac = 0.8, random_state = 0)
#测试集
test_data = data.drop(train_data.index)

代码讲解：

drop()函数里面填行索引可以删除掉行；

train_data是我们划分好的训练集，train_data.index表示行索引；

axis=0，表示的是删除行，也可以不写，是默认值；